工程建设项目安全风险的预警方法及系统与流程

1.本发明涉及建设项目安全风险预警技术领域，尤其涉及一种工程建设项目安全风险的预警方法及系统。


背景技术：

2.随着社会的进步，工程建设项目的规模日益扩大，发展不断加快，对施工技术和安全管理的标准和要求逐渐提高，安全风险预警在工程建设项目安全中的作用已经被广泛地认同，各地也开始在工程建设项目的施工中采用安全预警系统进行协同管理。现阶段，关于工程建设项目的安全预警系统很多，各系统的程度和内容都存在一定的差异，但当前大部分已投入使用的安全预警系统都相对简单，在实际应用中存在较大的局限性。
3.例如，公开号为cn112863119a的专利提供了一种工程施工安全风险预警系统及方法，该专利通过设置应变片对监测点的变形量、位移量等结构风险数据进行采集，并设置环境采集模块对施工环境中的温度、湿度、风量和有害气体浓度等环境因子数据进行采集，然后将结构风险数据和环境因子数据分别输入对应的风险判定函数中，并根据输出结果发出相应的风险预警信号，起到实时、无线、高效的施工安全预警效果。然而，该方法仅通过风险判定函数对风险数据进行判断，判断方式过于单一，而实际上事故发生的原因通常错综复杂，该专利提供的方法难以对各类风险进行全面预警。
4.公开号为cn111508216a的专利提供了一种大坝安全监测数据智能预警方法，该专利虽然根据监测项目、自变量关联性、历史监测数据数量、历史监测数据分布建立了逐步回归模型、相关向量机模型、灰色系统模型等不同的模型及指标，具有较广的适用范围。然而，由于其设置的各类分析模型之间缺乏层次性，需要设置较多的模型进行分析，整体运算量较大，实际效率不高；同时，该专利在发出预警后不能进一步提供相应的应急预案，仍需要由人工对预警信息进行分析，确认风险原因并制定相应的应急预案，整体智能度较低。
5.有鉴于此，有必要设计一种改进的工程建设项目安全风险的预警方法及系统，以解决上述问题。


技术实现要素：

6.针对上述现有技术的缺陷，本发明的目的在于提供一种工程建设项目安全风险的预警方法及系统。通过构建时间序列模型进行单因素短期预测，同时构建经粒子群优化算法优化后的支持向量机模型进行多因素系统预测，从而形成层次化的工程建设项目安全风险预警模型，全面有效地对工程建设项目安全风险进行预测与预警；再根据得到的预警情况提取相应的备选应急预案，并采用云模型和理想点法融合的方式对备选应急预案进行评估，得出最优应急方案，从而在对风险进行高效预警的同时提供有效的应对方案，以满足实际应用的需求。
7.为实现上述目的，本发明提供了一种工程建设项目安全风险的预警方法，包括如下步骤：
8.s1、采集工程建设项目的样本数据，并对所述样本数据进行处理；
9.s2、建立层次化的工程建设项目安全风险预警模型，对步骤s1得到的处理后的样本数据进行风险预测；所述风险预测模型包括用于进行单因素短期预测的时间序列模型以及用于进行多因素系统预测的经粒子群优化算法优化后的支持向量机模型；
10.s3、根据步骤s2中所述风险预测得出的结论提取备选应急预案，并对所述备选应急预案进行评估，生成最优应急方案。
11.作为本发明的进一步改进，在步骤s3中，采用云模型和理想点法融合的方式对所述备选应急预案进行评估，评估过程包括如下步骤：
12.s31、构建应急预案的评估指标体系，并建立应急预案评估方案决策矩阵；
13.s32、确定应急预案的决策属性云参数矩阵；
14.s33、确定应急预案的属性权重；
15.s34、确定应急预案的正理想值和负理想值；
16.s35、计算每个所述备选应急预案与所述正理想值和负理想值的加权距离；
17.s36、计算每个所述备选应对预案的贴近度，并根据所述贴近度对所述备选应对预案进行排序，将所述贴近度最大的备选应对预案作为最优应急方案。
18.作为本发明的进一步改进，在步骤s33中，所述应急预案的属性权重采用基于最小偏差原则的网络层次分析法和灰色关联法经组合赋权得到。
19.作为本发明的进一步改进，在步骤s3中，所述备选应急预案基于两阶段相似性算法进行提取，包括先采用局部相似度算法对特征属性进行计算，再采用整体相似度算法将当前案例的所述特征属性值与应急预案库中的各历史案例分别进行累加，得到与各历史案例分别对应的整体相似度，并将所述整体相似度大于预设阈值时对应的历史案例作为备选应急预案。
20.作为本发明的进一步改进，在步骤s1中，所述样本数据包括对工程建设项目的监测数据和安全风险评价数据。
21.作为本发明的进一步改进，在步骤s1中，对所述监测数据的处理包括基于改进的格拉布斯准则对所述监测数据的粗大误差分析以及基于三次样条插值法对所述监测数据中缺失数据的插补处理；对所述安全风险评价数据的处理包括获取所述安全风险评价数据的期望值。
22.作为本发明的进一步改进，在步骤s1中，所述粗大误差分析包括如下步骤：
23.s11、对所述监测数据的疑似最大值和疑似最小值进行计算，并获取格拉布斯准则临界值；
24.s12、比较所述疑似最大值、疑似最小值和临界值之间的大小，并对所述监测数据中的异常数据进行识别与剔除；
25.s13、重复步骤s11～s12，对所述监测数据进行重复性识别与剔除，直至所述监测数据中无异常值。
26.作为本发明的进一步改进，在步骤s2中，所述时间序列模型为自回归移动平均模型，用于对步骤s1中处理后的所述监测数据进行单因素短期预测；所述经粒子群优化算法优化后的支持向量机模型用于对步骤s1中处理后的所述安全风险评价数据进行多因素系统预测。
27.为实现上述目的，本发明还提供了一种工程建设项目安全风险的预警系统，用于执行上述技术方案所述的预警方法，包括：
28.数据采集模块，用于实时采集并传输监测数据；
29.数据处理模块，用于对所述数据采集模块采集的监测数据中的异常数据进行处理；
30.数据分析模块，用于建立工程建设项目安全风险预警模型，对所述数据处理模块处理后的数据进行风险预警；
31.预案生成模块，用于根据所述数据分析模块输出的风险预警结果提取备选应急预案，并通过对所述备选应急预案进行评估，生成最优应急预案；
32.存储模块，用于存储工程建设项目的基础数据及所述数据采集模块采集的监控数据；
33.控制模块，用于控制系统的运行，并对用户信息进行管理。
34.作为本发明的进一步改进，所述数据采集模块包括用于实时采集监测数据的无线传感器网络以及基于lora技术的数据传输单元。
35.本发明的有益效果是：
36.(1)本发明通过构建时间序列模型进行单因素短期预测，同时构建经粒子群优化算法优化后的支持向量机模型进行多因素系统预测，能够形成层次化的工程建设项目安全风险预警模型，全面有效地对工程建设项目安全风险进行预测与预警。在此基础上，本发明还能够根据风险预警模型得出的预测结果提取相应的备选应急预案，并采用云模型和理想点法融合的方式对备选应急预案进行评估，生成最优应急方案，从而在对风险进行高效预警的同时提供有效的应对方案，具有较高的实际应用价值。
37.(2)本发明构建的层次化的工程建设项目安全风险预警模型，不仅能够在只考虑时效性的条件下对单因素短期风险状况进行预测，还能够考虑多因素之间的关联性特征，进行多因素系统级预测。其中，本发明在利用自回归移动平均模型进行预测前，先利用改进的格拉布斯准则对监测数据进行粗大误差分析，再采用三次样条插值法对监测数据中的缺失数据进行插补处理，有效避免了存在误差的数据对风险预测过程的干扰，保证了监测数据的可靠性和准确性。同时，本发明还通过利用粒子群优化算法对支持向量机模型进行优化，以便获得均方根误差最小、判决函数的分类准确率最高的参数组合，从而有效降低误差，提高预测结果的稳定性。
38.(3)本发明在对工程建设项目安全风险进行准确预测与预警的基础上，采用两阶段相似性算法高效地从工程建设项目安全事故案例库中提取与当前案例相似的案例情况，作为备用应急预案。并且，为了保证获取最适合的应急预案，本发明进一步采用了云模型和理想点法融合的方式对备选应急预案进行评估，通过对各备选应急预案的贴近度进行排序确定最优的应急方案，辅助相关工作人员根据预警情况及时做出决策，以满足实际应用的需求。
39.(4)本发明在采用云模型和理想点法融合的方式对备选应急预案进行评估时，在专家打分的基础上利用统计学方法对各专家的意见集中程度和意见协调程度进行了统计与计算，有效提高了筛选过程的客观性和可信度，建立了具有代表性的应急预案评估指标体系，并进一步采用了基于最小偏差原则的网络层次分析法和灰色关联法对应急预案评估
指标进行组合赋权。在组合赋权的过程中，本发明采用的网络层次分析法相对于常规的层次分析法能够充分考虑各指标之间的关联性，更符合应急预案中各指标之间存在相互影响的特性；在此基础上，本发明根据网络层次分析法得到的主观权重确定了灰色关联分析过程的母指标，并依据该母指标进行灰色关联分析，以提高客观权重的准确度，从而实现主观权重与客观权重的有效结合，获取更加准确客观的指标权重，进而构建出具有代表性、科学性的应急预案评估指标体系，以提高评估过程的科学性和准确性。
附图说明
40.图1为本发明提供的工程建设项目安全风险的预警方法的流程示意图。
41.图2为本发明提供的预警方法中经粒子群优化算法优化后的支持向量机模型的预警流程示意图。
42.图3为本发明提供的预警方法中对备选应急预案进行评估时建立的应急预案评估指标体系。
具体实施方式
43.为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
44.在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
45.另外，还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
46.本发明提供了一种工程建设项目安全风险的预警方法，其流程示意图如图1所示，包括如下步骤：
47.s1、采集工程建设项目的样本数据，并对所述样本数据进行处理；
48.s2、建立层次化的工程建设项目安全风险预警模型，对步骤s1得到的处理后的样本数据进行风险预测；所述风险预测模型包括用于进行单因素短期预测的时间序列模型以及用于进行多因素系统预测的经粒子群优化算法优化后的支持向量机模型；
49.s3、根据步骤s2中所述风险预测得出的结论提取备选应急预案，并对所述备选应急预案进行评估，生成最优应急方案。
50.在本发明的一个实施例中，以地铁建设项目为例对其安全风险进行预警。需要说明的是，在本发明的其他实施例中，可以按照同样的方式对其他各类工程建设项目的安全风险进行预警，均属于本发明的保护范围。
51.具体地，上述实施例以地铁建设项目为例进行安全风险预警时，包括如下步骤：
52.s1、采集工程建设项目的监测数据和安全风险评价数据，并对各类数据进行预处理。
53.其中，安全风险评价数据通过发放调查问卷的方式进行采集，得到其期望值；监测
数据则来源于某地铁建设项目中实际基坑监测点的累计沉降量原始数据，包括xf1中的五个监测点xf1
‑
1、xf1
‑
2、xf1
‑
3、xf1
‑
4、xf1
‑
5和xf2中的五个监测点xf2
‑
1、xf2
‑
2、xf2
‑
3、xf2
‑
4、xf2
‑
5的监测数据。上述xf1和xf2中各监测点的累计沉降量原始数据如表1所示。
54.表1 xf1和xf2中各监测点的累计沉降量原始数据
55.[0056][0057]
表1中
“‑”
代表监测点缺失的原始数据。
[0058]
由于数据监测过程中受外界因素影响，可能存在误差，这些存在误差的数据会干扰对风险的预测，需要进行剔除。本实施例中采用改进的格拉布斯准则对上述监测数据进行粗大误差分析，通过引入中位数取代平均数，以满足检验多个异常值时的研究需求，从而保证监测数据的可靠性和准确性，具体分析步骤如下：
[0059]
s11、按照如下公式对监测数据的疑似最大值和疑似最小值进行计算，并查表获取格拉布斯准则临界值g
(a，n)
：
[0060][0061][0062]
其中，g
max
表示数列{x}的疑似最大值；g
min
表示数列{x}的疑似最小值；x
max
表示数列{x}的最大值；x
min
表示数列{x}的最小值；m
c
表示中位数；s表示标准差。
[0063]
s12、比较疑似最大值g
max
、疑似最小值g
min
和临界值g
(a，n)
之间的大小，如果g
max
>g
(a，n)
或g
min
>g
(a，n)
则对应的剔除x
max
、x
min
。
[0064]
s13、重复步骤s11～s12，对所述监测数据进行重复性识别与剔除，直至所述监测数据中无异常值。
[0065]
在本实施例中，根据上述监测数据，通过查阅格拉布斯临界值表，得到格拉布斯准则临界值g
(30，0.05)
＝2.745，监测点xf1
‑
5中的2.3mm为所有数据中的最大值，对应的疑似最大值g
max
＝4.413，由于g
max
＞g
(30，0.05)
，因此需要将2.3mm剔除。为此，本实施例只分析监测周期前25期数据。
[0066]
同时，由于监测点原始数据中仍存在缺失，还需要对缺失数据进行插补。在本实施例中，采用三次样条插值法对监测数据中缺失数据的插补处理，并具体采用三弯矩法进行计算，步骤如下：
[0067]
(1)选择二阶导数作为待定参数，m
k
＝s
″
(x
k
)，k＝0，1，
…
，n。
[0068]
(2)根据条件推出三次样条插值s(x
i
)在第k个区间[x
k
，x
k 1
]内，如下式所示：
[0069]
s(x)＝s
k1
(x
‑
x
k
)3 s
k2
(x
‑
x
k
)2 s
k3
(x
‑
x
k
)1 s
k4
[0070]
其中，s
k4
＝y
k
；k＝0，1，
…
，n
‑
1。
[0071]
(3)由于一阶导数相等，可以推出如下所示的三弯矩法的基本方程：
[0072][0073]
其中，d
k
＝f[x
k
‑1，x
k
，x
k 1
]；d0＝f[x0，x1]；d
n
＝f[x
n
‑1，x
n
]。
[0074]
(4)选用自然条件作为边界条件，即：m0＝m
n
＝0代入上式求值。
[0075]
根据上述方法，采用matlabr2010b进行计算，最终获得缺补后的监测点xf1、xf2的累计沉降量数据，如表2所示。
[0076]
表2 xf1和xf2中各监测点的累计沉降量原始数据
[0077][0078]
基于上述改进的格拉布斯准则对监测数据的粗大误差分析以及三次样条插值法对监测数据中缺失数据的插补处理，形成了完整的时间序列数据链。
[0079]
s2、建立层次化的工程建设项目安全风险预警模型，对步骤s1得到的处理后的样本数据进行风险预测。
[0080]
其中，风险预测模型包括用于进行单因素短期预测的时间序列模型以及用于进行
多因素系统预测的经粒子群优化算法优化后的支持向量机模型。
[0081]
具体地，根据步骤s1得到的完整的时间序列数据链，本实施例以监测点xf1
‑
4的数据为例，采用时间序列中的自回归移动平均(arma)模型对该监测数据进行单因素短期预测，具体方法如下：
[0082]
利用eviews软件通过adf检验得到该监测点的累计沉降量原始数据的平稳性检验统计量为
‑
3.602117，显著大于1％、5％的临界值，p＝0.0510＞0.05，接受原假设“存在单位根”。由于该监测点的累计沉降量原始数据为非平稳数据，需要对其数据的数列作一阶差分处理，即d＝1，通过adf检验得到统计量为
‑
6.467746，显著小于1％、5％、10％的临界值，p＜0.0001，拒绝原假设。经过差分处理后得到平稳性时间序列，能够对其进行建模。
[0083]
采用最小二乘估计法使得残差平方和最小，得出当阶数n＝l，m＝1时，aic＝3.318256取值达到最小值，模型确定为arma(1，1)。对模型残差进行检验，统计量的值都大于0.05，通过显著性检验。
[0084]
再按照监测点xf1
‑
4的累计沉降量第20、21、22、23、24、25期预测数据，进行实际数据和预测数据比较，结果如表3所示。
[0085]
表3实际数据和预测数据对比
[0086][0087]
由表3可以看出，预测精度都很好，说明拟合结果好，实际数据和预测数据对比也基本一致，说明使用arma(1，1)可以有效的用来预测工程建设项目安全风险单因素短期风险状况。
[0088]
在此基础上，进一步采用经粒子群优化算法优化后的支持向量机模型对安全风险评价数据进行多因素系统预测，其流程示意图如图2所示，具体包括如下步骤：
[0089]
(1)构建工程建设项目安全风险评价指标体系，并通过发放调查问卷的方式采集各评价指标对应的安全风险评价数据的期望值e。其中，期望值e＝∑指标得分
×
综合权重ω。
[0090]
本实施例中共采集了18组安全风险评价数据，各组安全风险评价数据的期望值如表4所示，其中，1
‑
12组作为安全风险预警模型的训练样本，13
‑
18组作为安全风险预警模型的检验样本。
[0091]
表4安全风险评价数据的期望值
[0092]
样本数据e样本数据e样本数据e10.718770.7194130.840020.770680.7338140.7726
30.726790.8399150.832140.7228100.7770160.768950.8219110.8283170.804160.7728120.7781180.8247
[0093]
(2)设置搜索参数c1＝1.5，c2＝1.5；g∈[2
‑
10
，2
10
]；迭代次数取max＝200；种群数量n＝20；惯性权重ω＝1。
[0094]
(3)采用2
‑
cv的方式进行寻优，通过计算得到粒子群优化算法优化后的参数c＝2.0985，g＝0.01，并得到均方差mse＝0.010631，方差r2＝0.97964。
[0095]
为检验粒子群优化算法的优化效果，建立了未经参数优化的支持向量机模型，得到其均方差mse＝0.025458，方差r2＝0.96952。
[0096]
按照上述两种方式分别对作为检验样本的13
‑
18组安全风险评价数据进行预测，其预测值与真实期望值e(x)的对比及其相对误差与方差如表5所示。
[0097]
表5未优化的支持向量机模型(svm)与粒子群优化算法优化后的支持向量机模型(pso
‑
svm)预测结果误差对比
[0098][0099]
由表5可以看出，本发明提供的经粒子群优化算法优化后的支持向量机模型的误差波动稳定性明显优于未进行优化的模型，其预测结果也相对稳定，更具有应用价值。其主要原因在于：经粒子群优化算法优化可以共同对惩罚参数和核函数的参数进行搜索，实现惩罚参数和核函数的参数的最优组合，达到更好的预测效果。
[0100]
根据上述经粒子群优化算法优化后的支持向量机模型的预测结果，将其按照表6中所示的方式划分为相应的风险等级和警情，并发出相应预警。
[0101]
表6工程建设项目安全风险等级和警情
[0102]
评分风险等级是否存在警情[0,0.3]大重度[0.3,0.5]中中度[0.5,0.7]小一般[0.7,1.0]较小小
[0103]
s3、根据步骤s2中所述风险预测得出的评价指标的风险等级提取备选应急预案，并对所述备选应急预案进行评估，生成最优应急方案。
[0104]
由于工程项目发生的安全事故包含不同类型的事故，其特征属性也具有多样性，包括数字型、符号型、模糊性。基于此，本实施例基于两阶段相似性算法对备选紧急预案进
行提取，包括如下步骤：
[0105]
(1)采用局部相似度算法对数字型属性、符号型属性和模糊性属性三个特征属性进行计算，其计算公式如下：
[0106]
数字型属性相似度sim(x
i
，y
i
)＝1
‑
(x
i
‑
y
i
)/|max
i
‑
min
i
|
[0107]
符号型属性相似度或
[0108]
其中，sim(x
i
，y
i
)表示案例x和y的第i个行列式属性的相似度；x
i
，y
i
表示案例x和y的i个属性的值；max
i
和min
i
表示第i个属性的最大值和最小值。上述数字型属性和符号型属性的相似度一般在0
‑
1之间，越接近1表示x和y的i个属性相似度高，反之则较低。
[0109]
模糊性属性相似度
[0110]
其中，表示x和y的第i个行列式属性的wasserstein距离。
[0111]
(2)再采用整体相似度算法将当前案例的上述特征属性值与应急预案库中的各历史案例分别进行累加，得到与各历史案例分别对应的整体相似度，其计算公式如下：
[0112][0113]
其中，sim(t，c)表示历史案例t和当前案例c的整体相似度值；ω
i
、ω
ij
表示第i个一级、二级特征属性权重值；sim(t
ij
，c
ij
)表示t和c二级特征属性的局部相似值；n、m
i
表示一级、二级特征属性的个数。
[0114]
在本实施例中，预先设定阈值δ＝80％，当按照上述方式计算得到的整体相似度值大于80％时，则将对应的历史案例作为备选应急预案进行提取。
[0115]
在得到备选的应急预案后，为了从中挑选出最优的应急方案，本实施例采用了云模型和理想点法融合的方式对备选应急预案进行评估，该评估过程具体包括如下步骤：
[0116]
s31、构建应急预案的评估指标体系，并建立应急预案评估方案决策矩阵。
[0117]
本实施例基于扎根理论获取初步的应急预案评估指标，再采用专家打分法对各指标进行量化，并利用统计学方法对各专家的意见集中程度和意见协调程度进行了统计与计算，以便提高指标筛选过程的客观性和可信度，建立具有代表性的应急预案评估指标体系。
[0118]
其中，意见集中程度由均数(m
j
)和满分频率(k
j
)进行衡量，意见协调程度由变异系数(v
j
)和协调系数(ω)进行衡量。
[0119]
协调系数(ω)作为用于衡量评价人员评价过程可信度的参数，其计算过程如下：
[0120]
首先，按照下式计算应急预案评估指标等级的算术平均值
[0121][0122]
然后，按照下式计算第j个指标等级和应急预案评估指标等级和的差(d
j
)；
[0123]
[0124]
最后，计算ω时通常进行分类讨论：
[0125]
(1)当评价人员的评定无相同等级时，ω即kendall和谐系数，其计算公式如下：
[0126][0127]
(2)当评价人员评定的等级有相同等级时，必须对ω进行校正，其计算公式如下：
[0128][0129]
在以上各式中，s
j
表示第j个指标的等级；m表示待评价的指标的数量，n表示评价人员的数量；t
i
表示评价指标体系中的同等级指标，表示评价指标体系中的同等级指标，l表示第i个评价人员评价中对指标评价的相同评价组；t
i
表示评价组中具有一样的等级数。
[0130]
当计算得到ω后，可通过查表的方式检验ω的显著性，得出各评价人员对各指标的评分是否具有一致性的结论。若不具有一致性，则需要评价人员进行进一步讨论，并重新进行评价，直至其结果具有一致性。在达到一致性后，再根据各评价人员的评价结果计算相应的均数(m
j
)、满分频率(k
j
)和变异系数(v
j
)即可对应急预案评估指标进行有效筛选。
[0131]
其中，均数(m
j
)、满分频率(k
j
)和变异系数(v
j
)的计算公式如下所示：
[0132][0133]
k
j
＝n/n
[0134]
v
j
＝δ
j
/m
j
[0135]
在上式中，c
ij
表示第i个评价人员对第j个指标的评分；n表示第j个应急预案评估指标获得满分的人数，本实施例中设定评价分值≥9则视为满分；n表示评价人员的总数；δ
j
表示第j个指标的标准差。
[0136]
根据上述方式计算得到的结果中，m
j
越大表明第j个应急预案评估指标越重要；k
j
越大表明第j个应急预案评估指标越重要；v
j
越大说明各评价人员的意见一致性强，指标可以选取。基于此，可以按照设定的阈值进行筛选，最终得到如图3所示的应急预案评估指标体系。
[0137]
基于上述应急预案评估指标体系中的各评估指标，由相关评价人员按照表7中的云评价标度进行评价。
[0138]
表7云评价标度
[0139][0140]
根据各评价人员的评价，在论域[x
min
，x
max
]上，通过表7中的标度方式建立应急预案评估方案决策云矩阵：
[0141]
s32、确定应急预案的决策属性云参数矩阵。
[0142]
根据各评价人员的评价权重，按照下列公式计算相应的期望ex、墒en以及超墒he：
[0143][0144][0145][0146]
其中，n表示评价人员的数量，ω
i
表示第i位评价人员对应的评价权重。
[0147]
再根据上述计算结果建立应急预案的决策属性云参数矩阵y，如下式所示：
[0148][0149]
其中，y
ij
(ex
ij
，en
ij
，he
ij
)，(i＝1，2，
…
，m；j＝1，2，
…
n)表示应急预案的i中属性j的决策云参数。
[0150]
s33、确定应急预案的属性权重。
[0151]
采用基于最小偏差原则的网络层次分析法和灰色关联法的组合赋权算法为应急预案的各属性进行赋权，具体包括如下步骤：
[0152]
s331、采用网络层次分析法(anp)计算主观权重：
[0153]
(1)建立anp模型
[0154]
根据步骤s31得到的各应急预案评估指标之间的内生关系构建anp网络模型。
[0155]
(2)构造超矩阵
[0156]
根据上述应急预案评估指标的元素集中各元素之间的相互影响构建超矩阵，如下式所示：
[0157][0158]
其中，w
ij
表示应急预案评估指标j受应急预案评估指标i影响的向量矩阵，超矩阵w中的每个列向量均是以一个风险评价指标为准则进行比较判断后得到的判断矩阵的特征向量。
[0159]
(3)构造加权超矩阵
[0160]
为便于计算，需要通过如下加权矩阵将超矩阵的每列归一化。该加权矩阵记为a，a＝(a
ij
)，a
ij
∈[0，1]，且
[0161][0162]
基于此，应急预案评估指标中元素集的加权超矩阵
[0163]
(4)计算极限超矩阵
[0164]
求得应急预案评估指标层中的加权超矩阵后，利用下式对加权超矩阵进行计算，得出极限超矩阵w
∞
，从而获得工程建设项目应急预案评估指标的重要性程度排序。
[0165][0166]
当在k
→
∞时的极限存在时，w
∞
是极限超矩阵。如果该极限收敛且唯一，则w
∞
的第j列就各指标的极限相对排序，即为各指标的主观权重。
[0167]
在本实施例中，各应急预案评估指标之间的比较与判断采用专家打分法进行。根据专家打分法得到的比较结果及上述计算方式，即可得到各指标的主观权重值。
[0168]
s332、根据步骤s331得到的主观权重计算结果确定母指标，再按照灰色关联分析法计算客观权重：
[0169]
根据步骤s331得到的各指标的主观权重，以主观权重最大的指标作为母指标，建立参考序列，记为其余指标作为子指标，建立比较序列，记为
[0170]
再分别对参考序列和比较序列进行无量纲化处理，并将无量纲化处理后的参考序列记为x
j
＝{x
j
(1)，
…
，x
j
(n)}，将无量纲化处理后的比较数列记为x
i
＝{x
i
(1)，
…
，x
i
(n)}。
[0171]
然后按照下式对风险评价指标的关联系数ξ
i
(k)进行计算：
[0172][0173]
其中，ρ表示应急预案评估指标的分辨系数，在本实施例中，取ρ＝0.5。
[0174]
根据计算得到的关联系数ξ
i
(k)，再按照如下公式对第i项风险评价指标的关联度
r
i
和客观权重ω
i
进行计算：
[0175][0176]
其中，r
i
和ω
i
分别表示第i项应急预案评估指标的关联度及其客观权重。
[0177]
在本实施例中，上述计算过程基于matlabr2010b进行。
[0178]
s333、构建基于最小偏差原则的组合权重模型，对步骤s331得到的所述主观权重和步骤s332得到的所述客观权重进行组合计算，得到组合权重：
[0179]
通过上述步骤s331和s332，不仅能够充分考虑各风险评价指标之间的关联性，还能够根据主观权重选择母指标，进行客观权重的计算，从而将主观和客观计算方法进行有效的结合，在避免评价人员判断过于主观的同时解决客观计算过于理性的问题。在此基础上，为了降低权重计算的偏差，进一步提高组合权重的准确性，本实施例按照如下方式构建了基于最小偏差的组合权重模型，表示为：ω
ij
＝(1
‑
μ)ω
ia
μω
ig
。
[0180]
其中，ω
if
表示应急预案评估指标的第i项指标的组合权重；ω
ia
表示应急预案评估指标的第i项指标的主观权重；ω
ig
表示应急预案评估指标的第i项指标的客观权重；μ表示应急预案评估指标的客观权重占组合权重的比重。
[0181]
具体地，为了解决主客观算法权重的偏差，本实施例按照如下方式构建了组合优化模型：
[0182][0183]
其中，a
k
、a
j
分别表示应急预案评估指标权重算法的第k种、第j种算法对应的权重系数；u
ki
、u
ji
分别表示风险评价指标权重算法的第k种、第j种算法对应的权重值。
[0184]
在上述组合优化模型的基础上进一步构造应急预案评估指标权重对应的拉格朗日函数，如下式所示：
[0185][0186]
其中，λ表示拉格朗日函数引入的参数。
[0187]
对上述拉格朗日函数中的(a1，
…
，a
q
，λ)分别求导，结果如下：
[0188]
[0189]
按照克莱姆法则，上式构成的方程组的解存在且唯一，即可求得各赋权方法对应的权重系数为a＝(a1，
…
，a
q
)。
[0190]
在本实施例中，共采用了网络层次分析法和灰色关联分析法两种方法，即q＝2。根据本实施例计算得到的主观权重和客观权重的计算结果，按照上述方式即可计算得到最终的权重系数a＝(a1，a2)，即本实施例基于最小偏差原则得到的组合权重ω
ij
＝a1ω
ia
a2ω
ig
。
[0191]
s34、按照如下公式计算应急预案的正理想值a

和负理想值a
‑
：
[0192]
a

＝{y
j
(maxex
ij
)}；a
‑
＝{y
j
‑
(minex
ij
)}
[0193]
其中，和取绝对理想解，即各备选应急预案属性元素理论上处于最优和最差的状态取值。
[0194]
s35、按照如下公式分别计算每个备选应急预案与正理想值和负理想值的加权距离和
[0195][0196][0197]
s36、按照如下公式计算每个备选应对预案的贴近度ti：
[0198][0199]
其中，t
i
∈[0，1]，t
i
值越大表示用该预案在处理工程建设安全事故的效果会更好。基于此，根据贴近度t
i
对备选应对预案进行排序，将贴近度ti最大的备选应对预案作为最优应急方案输出。
[0200]
基于上述方式，本实施例通过构建时间序列模型进行单因素短期预测，同时构建经粒子群优化算法优化后的支持向量机模型进行多因素系统预测，从而形成层次化的工程建设项目安全风险预警模型，全面有效地对工程建设项目安全风险进行预测与预警；再根据得到的预警情况提取相应的备选应急预案，并采用云模型和理想点法融合的方式对备选应急预案进行评估，得出最优应急方案，从而在对风险进行高效预警的同时提供有效的应对方案，以满足实际应用的需求。
[0201]
在本发明的部分实施例中，还提供了用于执行上述预警方法的工程建设项目安全风险的预警系统，该系统包括：
[0202]
数据采集模块，用于实时采集并传输监测数据；
[0203]
数据处理模块，用于对所述数据采集模块采集的监测数据中的异常数据进行处理；
[0204]
数据分析模块，用于建立工程建设项目安全风险预警模型，对所述数据处理模块处理后的数据进行风险预警；
[0205]
预案生成模块，用于根据所述数据分析模块输出的风险预警结果提取备选应急预
案，并通过对所述备选应急预案进行评估，生成最优应急预案；
[0206]
存储模块，用于存储工程建设项目的基础数据及所述数据采集模块采集的监控数据；
[0207]
控制模块，用于控制系统的运行，并对用户信息进行管理。
[0208]
其中，数据采集模块包括用于实时采集监测数据的无线传感器网络以及基于lora技术的数据传输单元。
[0209]
关于工程建设项目安全风险的预警系统的具体限定可以参见上文中对工程建设项目安全风险的预警方法的限定，在此不再赘述。上述工程建设项目安全风险的预警系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0210]
综上所述，本发明提供了一种工程建设项目安全风险的预警方法及系统。该预警方法通过采集工程建设项目的样本数据并进行处理，避免了存在误差的数据对风险预测过程的干扰，使样本数据准确可靠；在此基础上，本发明通过构建时间序列模型进行单因素短期预测，并构建经粒子群优化算法优化后的支持向量机模型进行多因素系统预测，形成了层次化的工程建设项目安全风险预警模型，从而全面有效地对工程建设项目安全风险进行预测与预警；此后，本发明根据得到的预警情况进一步提取相应的备选应急预案，并采用云模型和理想点法融合的方式对备选应急预案进行评估，得出最优应急方案，从而在对风险进行高效预警的同时提供有效的应对方案，以满足实际应用的需求。
[0211]
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。